JPH0637650B2

JPH0637650B2 - 高炉送風流量制御方法

Info

Publication number: JPH0637650B2
Application number: JP32218888A
Authority: JP
Inventors: 勇之輔牧; 暢宏高島; 康男増田; 寿郎沢田; 敬司小林
Original assignee: 川崎製鉄株式会社
Priority date: 1988-12-22
Filing date: 1988-12-22
Publication date: 1994-05-18
Anticipated expiration: 2009-05-18
Also published as: JPH02170906A

Description

【発明の詳細な説明】〔産業上の利用分野〕本発明は、高炉の通気状態を送風流量によって制御する
操業方法に関する。

〔従来の技術〕

高炉操業にとって、送風流量は、ある生産計画からまず
決定されるべきもので、そこで指定された風量一定の操
業をすることは炉の生産性を常に一定にし、炉況を安定
状態に保つという意味をもっている。

一方、一定の風量を高炉へ送り込むためには高炉内の通
気状態が常に安定かつ良好でなければならず、通気が悪
化すると、装入物降下不順ひいては棚吊りやスリップと
いう異常事態を招く危険性がある。そのため、炉内通気
性等が悪化した場合、送風流量を指定された風量（以下
指定風量と呼ぶ）からわずかだけ一時減風することによ
って、送風条件を緩和し、通気性が回復してきたらまた
増風して復帰させるという操業を行う必要がある。

このような操業は、従来、高炉操業者が高炉に設置され
た種々のセンサからの情報をもとにして「通気が悪くっ
た」あるいは「近い将来悪くなる」などの総合的判断を
し、そして減風のタイミングと量を決定し操作するとい
う方法がとられてきた。減風時の戻し操作も同様であ
る。

ところがその減風や増風のタイミングや量の決定には操
業者の能力や経験に基く個人差があり操業の標準化が難
しいと共に、評価が定量的でないため常に適切なアクシ
ョンがとられていたわけではなった。しかも、そのため
には常時数多くのセンサ情報を監視していなければなら
ずオペレータの操業負荷が高いという問題もあった。

このような問題を解決するため特開昭５２−１０５５１
では、高炉内圧力損失レベルを予測する式を提案し、圧
力損失の予測値と危険値を比較しながら、安定した圧力
損失レベルを維持できるような送風流量制御方法を示し
ている。しかし、その方法では圧力損失の予測式の精度
によるところが大きく、精度よく送風流量変更量を求め
ることはやはり難しい。また、吹き抜けを防止すること
のみを考えているが、送風流量を少し減風するような操
作はこの他スリップ、アンザッツ落下、炉熱レベル等様
々な操業因子をみて総合的に判断しなければならない。

従来から、物理的なモデルを作ったり、操業者のノウハ
ウを具現化するエキスパートシステム（動開昭６２−２
７０７１２）を作ったりして、吹き抜けやスリップなど
の通気異常を予測する研究や、測定データを如何にして
通気状況を判定しやすい情報に加工したらよいかと研究
が多く行われてきた。しかし、どれも、数多くの観測事
象と送風流量の減風量、増風量アクションを正確な因果
関係で結びつけ、自動的に送風流量設定値を調整すると
いう操業を実施することが可能となってはいない。

〔発明が解決しようとする課題〕

本発明は、従来技術のこのような問題点を解決するため
になされたものであり、スリップや吹き抜けだけでなく
アンザッツ落下、炉内ノロ残り、炉熱レベル変化等を含
めた高炉の操業に関するあらゆる情報をもとにして、各
情報とアクションである減風量、増風量との対応関係を
明らかにするネットワーク構造を作り上げたことを特徴
としており、次の（１）〜（３）を目的とするものであ
る。

（１）減風や増風アクションの量とタイミングの精度を
向上させること。

（２）あらゆる情報をとり込んで送風流量を自動制御
し、結果的にオペレータの負荷を軽減すること。

（３）さらに、各計測データの動きとアクションである
減風量、増風量、現状維持の因果関係が明確で、どのオ
ペレータでも同一アクションを実施する領域において
は、「若し…ならば…する」というルール群を知識ベー
スとしてもついわゆるエキスパートシステムにより、ア
クションを指示する。これによりシステムを簡素化し、
各計測データの動きとアクションの因果関係が不明確な
領域においては、ニューラルネットワークにより各計測
情報とアクションの対応関係を明らかにし、アクション
判断の精度を向上させること。

〔課題を解決するための手段〕

本発明は、高炉の通気を制御するため送風流量を指定さ
れた値から一時減風して、スリップ、棚吊り、吹き抜け
などの異常状態を回避し、そこからまた増風して指定風
量に戻す送風流量制御方法において、各種データを入力層とし、あらかじめ複数段階に分けた
減風量あるいは増風量を各ユニットの出力としたものを
出力層とする２層以上のニューラルネットワークを構成
し、このニューラルネットワークを事前に学習させて最
適な相互結合係数を決定しておき、高炉に設置された通気状態等を判定するセンサデータが
それをもとにして計算された操作データを所定のタイミ
ングでデータ手段に入力し、さらにそれぞれを最近の変
化がわかりオペレータの判断基準と合致するようなデー
タに加工処理し、前記ニューラルネットワークを利用し
て、実際のセンサデータや操作データをもとにリアルタ
イムで減風量あるいは増風量を決定し自動的にその値で
制御することを特徴とした高炉送風流量制御方法であ
る。

また、第２の発明はこのような高炉送風流量制御方法に
おいて、ニューラルネットワークと並列にエキスパート
システムを構成しておき、各計測データの動きを判定す
る処理（判断手段）を入れておき、データと風量増減の
因果関係が明確であると判断したときには、エキスパー
トシステムにより、明確でないと判断したときはニュー
ラルネットワークにより、リアルタイムで減風量あるい
は増風量を決定し、自動的にその値で制御することを特
徴とする。

本発明のポイントは、従来因果関係の不明確であった通
気性悪化を減風量、減風タイミングあるいは増風量、増
風タイミングの関係を、ニューラルネットワークを用い
て、熟練オペレータを教師として事前に学習させること
によって、アクション量、タイミングをより適切かつ正
確なものとしたことにある。

また計測データの変化が大きく、それに対するアクショ
ンが明確で不変的になっている部分については、「若し
…ならば…する」型のルールを作成して、アクション量
を決定する。

多くの計測データの変化が小さく、またその変化の状態
（方向）が不規則で複雑に関連あっているような場合
の、アクション判断（増風、減風、現状維持等）を、ニ
ューラルネットワークを手段として、現象との因果関係
を明確にし、アクションの精度すなわちアクションのタ
イミング、アクション量の正確度を向上させる。

ここでニューラルネットワークについて日経エレクトニ
クス（1987．８．10）115〜124頁を参照して簡単に説明
する。

ニューラルネットワークは、人間の脳を真似たネットワ
ークである。脳のニューロンに対応したユニットが複数
個、複雑に接続し合っている。各ユニットの動作および
ユニット間の接続形態をうまく決めることによって、パ
ターン認識機能、知識処理機能を埋め込むことができ
る。

ユニットの構造はニューロンをモデル化したものでこれ
を第６図に模式的に示した。構造は単純で、他のユニッ
トから入力を受ける部分、入力を一定の規則で変換する
部分、結果を出力する部分から成る。

他のユニットとの結合部には、それぞれ可変の重みＷ
_ｉｊを付ける。結合の強さを表わすためである。この値
を変えるとネットワークの構造が変わる。ネットワーク
の学習とは、このを変えることである。Ｗは、正、ゼ
ロ、負の値をとる。ゼロは結果のないことを表わす。

あるユニットが複数ユニットから入力を受けた場合、そ
の総和を入力値とする。入力の総和netは、である。

各ユニットは入力の総和netを関数ｆに適用し変換す
る。この入出力特性は各ユニットごとに違っていい。し
かし、一般には第６図（ｂ）または（ｃ）の関数を使う
ことが多い。第６図（ｃ）はシグモイド（sigmoid）関
数と呼ぶ。微分可能な、擬似線形関数でで表すことができる。領域は０〜１で、入力値が大きく
なるにつれ１に、小さくなるにつれ０に近づく。入力が
０のときは０．５となる。しきい値θを加えて、とする場合もある。

ネットワークは第７図に示すような階層構造を採る。入
力層、出力層の間に中間層をもたせている。この中間層
を隠れ層と呼ぶ。他の構造のニューラルネットもあるが
ここではバックプロパゲーション・アルゴリズムが使え
る階層構造のネットワークに限定する。

ネットワーク入力層、中間層、出力層の方向に結合して
いる。各層内での結合はない。出力層から入力層に向か
う結合もない。フィードフォワードつまり前向きのネッ
トワークである。

パーセプトロンと似た構造だが、中間層を設け、た各ユ
ニットの入出力特性を非線形にしたことで能力は格段に
向上している。

ネットワークは次のように学習させる。入力層の各ユニ
ットに入力データを与える。この信号は各ユニットで変
換され、中間層に伝わり、最後に出力層から出てくる。
その出力値と、望ましい出力値を比べ、その差を減らす
ように結合の強さを変える。

中間層があると学習は難しい。どのＷ（結合の強さ）が
エラー原因がわからないためである。バックプロパゲー
ションは、こうした多層のネットワークの学習アルゴリ
ズムである。１９８６年にカリフォルニア大学のラメル
ハートらが提案した。

あるパターンｐを与えたとき、実際の出力値（Ｏ_ｐｊ）
と望ましい出力値（ｔ_ｐｉの差をと定義する。これは出力ユニットｊのエラーを表す。ｔ
_ｐｊは人間が与える教師データである。

学習させるには、このエラーを減らすようにすべての結
合の強さを変えればいい。ここでは、パターンｐを与え
た時のＷ_ｉｊの変化量を、と決める。

この式（５）を変形していくことで、ΔＷを定式化する
ことができる。結果は、 ΔｐＷ_ｉｊ＝ηδ_ｐｊＯ_ｐｉ……（６）である。ここで、Ｏ_ｐｉはユニットｉからユニットｊへ
の入力値、δ_ｐｊはユニットｊが出力ユニットが中間ユ
ニットかで果なる。出力ユニットの場合は、 δ_ｐｊ＝（ｔ_ｐｊ−σ_ｐｊ）ｆｉ′（ｎｅｔ_ｐｊ）……
（７）中間ユニットの場合は、である。式（８）はδの再帰関数となる。

ΔＷの計算は、出力層のユニットから始めて、中間層の
ユニットに移る。中間ユニットでは、ΔＷはその前段の
ΔＷが決まらないと計算できない。従って、最後の入力
層までさかのぼって初めて計算が可能となる。このよう
に、学習は入力データの処理とは逆方向、つまり後ろ向
き（バックワード）に進む。

従って、バックプロパゲーションによる学習は以下のよ
うに進む。学習用のデータを入力し、結果を出力する
（前向き）。結果のエラーを減らすように、結合の強さ
を変える（後ろ向き）。再び学習用データを入力する。
これを収束するまで繰り返す。

ΔＷを一般的に定式化したのが、 ΔＷ_ｉｊ（ｎ＋１）＝ηδ_ｐｊＯ_ｐｊ＋αΔＷ
_ｉｊ（ｎ）である。ｎは学習の回数を表す。右辺の第１項は今求め
たΔＷであり、第２項はエラーの振動を減らし、収束を
速めるために加えている。

〔作用〕

本発明の作用は各種の高炉操業データから、前述の手段
によって、送風流量の減風量あるいは増風量をリアルタ
イムで決定して制御することである。例えば、流量の減
風量は連続的な値でなくても良く、例えばＯＮm³／min
（変化せず）、−１００Ｎm³／min、−２００Ｎm³／mi
n、−３００Ｎm³／min等あらかじめ定めた何段階かの量
でもよく、単に減風−１００Ｎm³／minと０Ｎm³／min
（減風しない）の２つの出力を選ぶようにしてもよい。

〔実施例〕

以下本発明を図面に基いて説明する。第１図は本発明を
実現させるためのシステム構成例である。

高炉１へは熱風炉２を経由して送風機３から大量の空気
を送風しており、その流量は送風流量計４で測定され、
制御装置５によって送風機３の翼角度度を調整して一定
にコントロールされる。高炉のプロセスコンピュータ６
は、炉内各箇所の検出端情報８を集中的に管理する機能
を持っている。従って、本発明で必要な高炉の各種測定
データやそれらを基に計算された操業データ類はすべて
このプロセスコンピュータ６に一定期間過去のデータも
含めて存在している。本発明を実行する専用のコンピュ
ータ７は前記各データ１２の入力手段９とそれらを加工
処理する手段１０およびニューラルネットワークを含む
アクション量決定手段１を持ち、決定した減風量あるい
は増風量１３は専用コンピュータ７から高炉プロセスコ
ンピュータ６に送られ、高炉プロセスコンピュータ６は
送風流量の設定値を制御装置５に与える。

以上が本発明方法を実施するための具体的構成例であ
る。コンピュータ６と７はもちろん同一マシンとして構
わない。送風流量の制御をするための本発明のプログラ
ムはコンピュータ７で５分周期で実行する。それに見合
うリアルタイム性を持たなければならない。

次に、詳細な実施例を説明する。

まずデータ入力手段９であるが、ここでは次のような測
定データ、高炉操業データ１２をプロセスコンピュータ
から入力する。

（１）送風圧力：熱風炉出力の熱風の圧力（２）一方的指数：装入間隔の速い、遅いを示す指標で
あり、次式で定義される。

（３）炉頂ガス温度：アップテーク部のガス温度（４）炉頂ガス利用率（ηＣＯ）： ηＣＯが高いほどＣＯガスの比が少なく還元に利用され
た割合が高いことを意味する。

（５）シャフト圧力：高炉シャフト部の圧力で上段と下
段２段に分れて検出端がある。

（６）スキンフロー温度：炉壁から数十ｍｍ炉内へ突出
した温度計で測定されたもので、壁際のガスの通過状況
がよくわかるデータとなる。

（７）ステーブ熱負荷：ステーブから抜熱される熱量を
示すデータで、下式で表わされる。

ＳＴＬ＝Ｆｘ（Ｔｏ−Ｔｉ）×ｋＦ：ステーブ冷却水量Ｔｏ：出口水量Ｔｉ：入口水温ｋ：定数（８）ステーブ温度：炉体各箇所のステーブに埋込んだ
温度計、上下方向複段および円周方向複数箇所に取り付
けてあって、炉壁に不活性帯（アンザッツ）が付着した
り、またはそれが落下したりするのを検出することが可
能である。

（９）炉頂ガス中Ｎ_２濃度：炉内の装入物の不順落下に
よるソリューションロス反応の変化を検出する。

（１０）計算出滓量：装入物の量と成分および装入のス
ピードから計算によって求めた出滓量（１１）実績出滓量：実績の出滓量であり、測定手段が
ないがオペレータの目視で量が測られ、コンピュータ６
に手動入力されている。

（１２）装入回路：一定時間内の装入回数（１３）タップ代表溶銑温度：炉内の熱バランスの状態
の目安となる。

（１４）出銑してからノロ出までの時間（１５）スリップの大きさ（１６）疎密指数：（２）の式においてΣの中で絶対値
をとったもの（１７）炉下トピード空車台数（１８）溶銑在庫量：製鉄所内の溶銑在庫量これらの各データはオペレータが常に通気状態等高炉の
状態を観測するのに必要としている情報ばかりである。
しかし、これらのデータの現在値のみでなく過去から現
在に至る変化状況もオペレータは観測しており、それぞ
れの観測事象毎に良い、悪い、の判定を行っている。こ
のようなオペレータの観測事象に合うようデータの加工
処理を行うのがデータ加工手段１０である。

ここからの例は指定風量からの減風時に対象をしぼって
説明する。

（１′）上記（１）の送風圧力が上昇した度合に応じて
風圧状況を悪い、やや悪い、良いの３段階に分類する。

○現在の送風圧力が最近３時間の送風圧力平均プラス３
σより大きい時……悪い ○現在の送風圧力が最近３時間の送風圧力平均プラス２
σより大きく、最近３時間の送風圧力平均プラス３σよ
り小さい時……やや悪い ○現在の送風圧力が最近３時間の送風圧力平均プラス２
σより小さい時……良い（２′）：荷下りに関する情報についても下記のように
まとめて悪い、やや悪い、良いの３段階に分類する。

○スリップの大きさ（１５）が３ｍ以上（スリップがお
こった）、または一方的指数（２）がプラス１５より大
きい時（棚吊りがおこった）、または現在の疎密指数
（１６）が最近１０チャージの平均プラス３σより大き
い時……悪い ○現在の疎密指数が最近１０チャージ平均のプラス２σ
より大きく、最近１０チャージ平均のプラス３σより小
さい時……やや悪い ○現在の疎密指数が最近１０チャージ平均のマイナス２
σより大きく、最近１０チャージの平均のプラス２σよ
り小さい時……良い（３′）：ガス流れに関する炉頂ガス温度（３）の情報
についても同様に、 ○現在の炉頂温度が最近３時間平均のプラス３σより大
きい時……悪い ○現在の炉頂温度が最近３時間平均のプラス３σより小
さく、最近３時間平均のプラス２σより大きい時……や
や悪い ○現在の炉頂温度が最近３時間平均のプラス２σより小
さく、最近３時間平均のプラス２σより大きい時……良
い（４′）：同じくガス流れに関する（４）ηｃｏの情報
についても同様である。

（５′）：同じくガス流れに関する（５）シャフト圧力
の情報についても同様である。ただし、シャフト圧力は
上段と下段の差圧でもって判定する。

（６′）：同じくガス流れに関する（９）炉頂ガスＮ_２
の濃度についても同様である。

（７′）：炉体温度に関する（６）スキンフロー温度
（ＳＫＴ）、（７）ステーブ熱負荷（ＳＴＬ）、（８）
ステーブ温度（ＳＴＴ）についてもそれぞれ１〜２時間
前の平均値と直近３０の平均値の差ΔＳＫＴ、ΔＳＴ
Ｌ、ΔＳＴＴをそれぞれ求め、 ○ΔＳＴＬ＞１００万Ｋｃａｌまたは ΔＳＴＬ＞１００℃または ΔＳＫＴ＞５０℃またはＳＴＬ＞１００万ＫｃａｌまたはＳＴＴ＞４００℃またはＳＫＴ＞８００℃の時……悪い ○ΔＳＫＬ、ΔＳＴＴ、ΔＳＫＴともにそれぞれ１〜２
時間前のσに対して、２σ以内、かつＳＴＬ＜１０００
万Ｋｃａｌ、かつ、ＳＴＴ＜４００℃でかつＳＫＴ＜８００℃の時……良
い ○上記以外の時……やや悪い（８′）：炉内ノロ残り状況に関する情報から次のよう
な加工処理をし、３段階に分類する。

○現在出銑中のタップが出銑してからノロ出までの時間
（１４）が９０分以上、または、残滓レベル（＝（１）
実績出滓量−（１０）計算出滓量）が２００トン以上の
時……悪い ○同上時間が７０分〜９０分、または同上レベルが１５０トン以上の時……やや悪い ○上記以外の時（９′）：炉熱の不足に関する情報については、次のよ
うに（１３）タップ代表溶銑（ＨＭＴ）温度をもとに加
工処理をする。

○ＨＭＴ＜１４７０が過去２タップ続いた時……悪い ○１４７０＜ＨＭＴ＜１４８０が過去２タップのうち１
タップ出た時……やや悪い ○最近２タップとも１４８０＜ＨＭＴの時……良い（１０′）：前記（１２）装入回数に関する情報につい
ては次のように最近８Ｈの実績装入回数と理論上の装入
回数をもとに、次ように加工処理する。

○現在の実績装入回数−理論装入回数が最近８時間の差
の平均＋３σ以上の時……悪い ○現在の実績装入回数−理論装入回数が最近８時間の差
の平均±２σ以上の時……良い ○上記以外……やや悪い（１１′）溶銑バランスに関する情報については上記
（１７）の炉下トピード空車台数と上記（１８）溶銑在
庫量をもとに次のように加工処理する。

○トピード空車台数＜２台、または溶銑在庫量＜３０００トンの時……悪い ○トピード空車台数＞４台、または溶銑在庫量＜２０００トンの時……良い ○上記以外……やや悪い以上、加工処理の例を説明してきたが、これらをまとめ
ると第１表のように、表中の空欄が各行１か所埋まった
ような、パターン情報に加工できたことになる。

なお、ここに示した加工処理方法は１例であり、オペレ
ータが通気性を観測し、判定するのに使っている情報な
ら何でもかまわない。３段階に分類する前の生データで
もかまわない。

加工処理するのに３段階以上に分類し、その境界値の最
も変化量の大きい境界値は、どのオペレータでもアクシ
ョンをとる値にしておく必要がある。

次に本発明の別の実施例について第１１図、第１２図を
参照して説明する。第１１図はニューラルネットワーク
１１と並列にエキスパートシステム２２を有し、それら
の何れを用いるかを判断する判断手段２１を備える。

上記の例で、「悪い」と分類される部分は、どのオペレ
ータも悪いと判断する状況であり、対処すべきアクショ
ンが明確な領域である。もしどのデータでも「悪い」と
判断される領域に入った場合は、あらかじめ用意されて
いる『若し…ならば…』型のルールを知識ベースとして
もつエキスパートシステム２２に従って、アクション量
が設定される。

例えば、若し（IF）：送風圧力が悪いならば、この場合（THE
N）：送風量を１００Ｎm³／mm下げる若し（IF）：荷下りが悪いならば、この場合（THEN）：
送風量を１００Ｎm³／mm下げる若し（IF）：送風圧力が悪く、かつ荷下りが悪い、なら
ば、この場合（THEN）：送風量を２００Ｎm³／mm下げる若し（IF）：残滓レベルが悪いならば、この場合（THE
N）：送風量を１００Ｎm³／mm下げる若し（IF）：シヤフト圧力が悪く、かつＮ_２が悪いかま
たはη_ｃｏが悪いならば、この場合（THEN）：送風量を
１００Ｎm³／mm下げるとなり、非常に簡単にルールを決めることが可能で、
「悪い」と判断するデータの境界値もほぼ不変で、メン
テナンスも容易であり、ルールの見通しも簡単である。

一方、どの計装データも「悪い」という判定結果がなく
「やや悪い」または「良い」ばかりとなる場合は非常に
難しく、『若し…ならば…』型のルールでは、それを記
述するのに非常に複雑になって、メンテナンスもルール
の見直しもほぼ不可能になり、かつアウトプットである
アクション判断の精度も悪かった。

そのような場合にニューラルネットワークを用いてアク
ションを決定しようとするのが本実施例である。「悪
い」と判定された項目がひとつでもあれば前記エキスパ
ートシステムでアクションをとることができるので、第
１２図のネットワークでは微調整減風のみでよいから、
出力層では０（現状維持）、−１００Ｎm³／分の２段階
とした。

前記（１′）〜（１１′）の加工されたデータの３段階
判定のうち「やや悪い」と「良い」の２種類の入力層を
設けた。ここでも、入力層には０か１かどちらかの値が
入る。それぞれはスルーユニットである。

出力層は、炉況が非常に悪い状態は、すでに『若し…な
らば…する』型のルールで対処しているので、減風の程
度を０（指定風量維持）、−１００Ｎm³／分の２段階に
分けた２ユニットのみを用いる。出力層ユニットの出力
は０か１かある。

次にニューラルネットワークの層構造について説明す
る。

ニューラルネットワークは２層構造では線形であるのに
対し、３層以上では非線形になり、情報加工能力が格段
に向上する。従って、一般的には中間層を設けた３層以
上のネットワークを使うところが多い。本実施例では隠
れ層を１層設け、３層構造としている。隠れ層のユニッ
ト数は５とした。

出力層ユニットの出力関数は、出力層のアウトプットが
１か０であり、出力層のうち、ひとつだけ１が立つよう
なものとするように考えているため、第３図のようなし
きい値関数とした。

各ユニットは第４図に示すよう第ｋ層第ｉユニットで考
えると、まず第ｋ−１層の各ユニット出力、にそれぞれの重み（相互系結合係数）をかけたものの総和をとり、これにしきい値関数をかけたものを出力とするものである。

この第ｋ層第ｉユニットの出力は次式で与えられる。

なお、θはしきい値である。常時１をとるユニットを入
力側に設けておき、その重み係数を−θとすることによ
って（１１）式に反映させ、しきい値も学習による修正
が可能なようにした。

入力層に前述のように加工処理をしたデータを与えると
各層ユニットは（１３）式に従って出力を順次低位の層
から上位の層へ天播的に計算していく。

出力層のアウトプットを時系列的に見た出力結果を第５
図に示す。１が立ったユニットに予め割り付けてあった
減風量を、プロセスコンピュータ６へ出力する。こうし
て減風時の自動制御が可能となる。

このようなニューラルネットワークは、相互結合係数を
予め決めておくことが必要である。学習方法はラメルハ
ートらのバックプロパゲーション法である。

学習は熟練オペレータを教師として行う。つまり、入力
層のあるパターン（参照入力）と教師出力を何通りか与
え、順方向伝播と逆方向伝播を複数回繰り返し計算する
ことによって収束させる。

いったん、いくつかのパターンの参照入力と教師出力で
初期値の重み係数を与えてしまい、オンラインで微修正
していくという方法もある。

以上、減風時の実施例を述べてきたが、一旦減風した
後、増風によって回復させるアクションも同様にニュー
ラルネットワークを用いて、制御することが可能であ
る。ただし、データの加工処理の部分から異なってお
り、加工する処理は良くなったとか、悪化したとかいう
判定結果を出力できるようなものとしなければならな
い。

第８図に本発明である送風流量制御方法を適用した場合
の操業結果の例を示す。的確にアクション指示がなされ
ている。また、第８図、第９図、第１０図、にそれぞれ
銑中Ｓｉの変動量、装入物装入間隔の変動量のトレンド
を示すが、どちらも低下しており、高炉の安定操業が可
能になった。

〔発明の効果〕

本発明によって送風流量制御における減風や、増風のア
クション量とタイミングがより適切になり、通気性の制
御精度が向上した。また、従来オペレータが操作してい
たものを自動化したことによりオペレータの負荷が飛躍
的に軽減された。

【図面の簡単な説明】

第１図は本発明方法の実施装置のブロック図、第２図は
本発明の実施例のニューラルネットワークのフロー図、
第３図は実施例におけるニューラルネットワークのユニ
ット内部関数のグラフ、第４図は実施例におけるけニュ
ーラルネットワークの入出力関係を示すフロー図、第５
図は実施例におけるけニューラルネットワークの出力例
を示すチャート図、第６図（ａ）はニュートラルネット
ワークの模式的系統図、（ｂ）、（ｃ）は関数形を示す
グラフ、第７図はニューラルネットワークの作動を示す
フロー図、第８図は操業結果の例を示すグラフ、第９図
は銑中Ｓｉの変動量のトレンドを示すグラフ、第１０図
は装入物装入間隔の変動量のトレンドを示すグラフ、第
１１図は本発明の別の実施例のブロック図、第１２図は
そのニューラルネットワークの入出力関係を示すフロー
図である。１……高炉、２……熱風炉３……送風ブロワー、４……送風流量計５……送風流量制御装置６……高炉プロセスコンピュータ７……専用コンピュータ、８……高炉検出端９……データ入力手段１０……データ加工処理手段１１……ニューラルネットワーク２２……エキスパートシステム

───────────────────────────────────────────────────── フロントページの続き (72)発明者沢田寿郎千葉県千葉市川崎町１番地川崎製鉄株式会社千葉製鉄所内 (72)発明者小林敬司千葉県千葉市川崎町１番地川崎製鉄株式会社千葉製鉄所内

Claims

【特許請求の範囲】

【請求項１】高炉の通気を制御するため送風流量を指定
された値から一時減風して、スリップ、棚吊り、吹き抜
けなどの異常状態を回避し、そこからまた増風して指定
風量に戻す送風流量制御方法において、各種データを入力層とし、あらかじめ複数段階に分けた
減風量あるいは増風量を各ユニットの出力としたものを
出力層とする２層以上のニューラルネットワークを構成
し、このニューラルネットワークを事前に学習させて最
適な相互結合係数を決定しておき、高炉に設置された通気状態を判定するセンサデータやそ
れをもとにして計算された操作データを所定のタイミン
グでデータ入力手段に入力し、該データをもとに、それぞれが最近どのような変化を示
しているかわかるようなオペレータの判断基準に合致し
た加工データに加工処理をし、該加工データをもとに、前記ニューラルネットワークを
利用してリアルタイムで減風量あるいは増風量を決定
し、自動的にその値で制御することを特徴とした高炉送
風流量制御方法。
【請求項２】高炉の通気を制御するため送風流量を指定
された値から一時減風して、スリップ、棚吊り、吹き抜
けなどの異常状態を回避し、そこからまた増風して指定
風量に戻す送風流量制御方法において、各種データを入力層とし、あらかじめ複数段階に分けた
減風量あるいは増風量を各ユニットの出力としたものを
出力層とする２層以上のニューラルネットワークを構成
し、このニューラルネットワークを事前に学習させて最
適な相互結合係数を決定しておき、一方、ニューラルネットワークと並列にエキスパートシ
ステムを構成しておき、高炉に設置された通気状態を判定するセンサデータやそ
れをもとにして計算された操作データを所定のタイミン
グでデータ入力手段に入力し、該データをもとに、それぞれが最近どのような変化を示
しているかわかるようなオペレータの判断基準に合致し
た加工データに加工処理をし、該加工データから各計測データの動きと風量増減の関係
が明確であると判断手段が判断したときはエキスパート
システムに加工データを入力し、明確でないと判断した
ときは加工データをニューラルネットワークに入力し、
エキスパートシステムまたはニューラルネットワークが
該加工データをもとにリアルタイムで減風量あるいは増
風量を決定し、自動的にその値で制御することを特徴とした高炉送風流
量制御方法。